在计算系统中实现 "常识推理 "能力,是人工智能自1960年代诞生以来的目标之一(McCarthy and Hayes, 1969; McCarthy, 1989; Thomason, 1991)。然而,正如马库斯和戴维斯最近所认为的(Marcus and Davis, 2019)。"常识不仅是人工智能最难的问题,从长远来看,它也是最重要的问题"。此外,人们普遍认为,空间(和时间)是我们视为常识性推理的大部分内容的基础。例如,在www-formal.stanford.edu/leora/commonsense/给出的常识推理挑战清单中,大多数都关键性地依赖于空间信息。
从20世纪90年代开始,人们对发展空间信息和推理的理论给予了相当大的关注,其中理论的词汇旨在与自然语言中表达的属性和关系紧密对应,但表示的结构及其推理规则是以计算数据和算法的方式制定的(Forbus et al, 1991; Egenhofer, 1991; Freksa, 1992; Frank, 1992; Ligozat, 1993; Hern´andez, 1993; Gahegan, 1995; Zimmermann, 1993; Faltings, 1995; Escrig and Toledo, 1996; Gerevini and Renz, 1998; Moratz et al, 2011;Mossakowski和Moratz,2012)或用精确的逻辑语言,如经典的一阶逻辑(Randell等人,1992;Gotts,1994;Cohn,1995;Borgo等人,1996;Cohn等人,1997;Galton,1998;Pratt和Schoop,1998;Pratt,1999;Cohn和Hazarika,2001;Galton,2004)。
然而,尽管在处理特定的有限类型的空间信息方面取得了大量的成功,但开发一个能够进行涉及各种空间属性的自动空间推理的系统,其多样性与人们在普通自然语言描述中发现的相似,似乎还很遥远。在提供一般自动常识性空间推理能力方面缺乏进展,这表明这是一个非常困难的问题。
与大多数未解决的问题一样,对于常识性空间推理为何如此难以实现,以及什么是最好的方法,有各种不同的意见。一个特别有争议的问题是:自然语言在常识性空间推理中的作用是什么,这一点将在本报告中详细探讨。
本章的主要目的是帮助研究者在一个高度复杂的多面性研究领域的背景下确定方向并集中调查。我们认为,对计算性常识空间推理的研究有时会因为以下一个或两个原因而被误导:a) 研究的目标可能包含了几个子问题,而这些问题最好是单独解决;b) 研究的方法可能假设其他相关问题比实际情况更容易解决。
本章对通过符号表征和计算算法实现常识推理自动化的目标做了一个相当普遍的(尽管不是全面的)概述。将对该领域以前的工作进行调查,澄清该目标的性质,并将该问题分析为若干相互作用的子问题。在处理这些问题时面临的主要困难将被强调,并提出一些解决这些问题的可能性。
本章的其余部分是根据以下我们认为是阻碍自动常识性空间推理系统发展的最重要的问题清单来安排的。
1.缺乏 "常识性推理 "的准确含义。
2.难以建立空间实体和关系的一般基础本体。
3.确定和组织一个合适的正规化空间属性和关系的词汇。
4.如何考虑自然语言的多义性、模糊性和模糊性。
5.对各种形式的隐性知识(环境、背景知识、隐性知识)的作用进行建模的困难。
6.缺乏适合空间信息推理的默认推理机制。
7.用空间信息进行推理的内在复杂性。
当然,我们并不是说在解决这些挑战方面没有任何进展(事实上,我们在下面提到了一些工作的例子),但在我们看来,在一般情况下,这些挑战仍然是需要解决的。
图 信息的类型和关系。